基于元学习的自动隐私保留技术

共享私有数据以完成学习任务是透明和安全机器学习应用的关键。已提出许多隐私保留技术以实现此目标，旨在转换数据以确保个体隐私。其中一些技术已被整合到工具中，而另一些技术则通过各种在线平台访问。然是，这些工具需要手动配置，这可能复杂且耗时。此外，它们需要 substantial expertise，potentially restricting their use to those with advanced technical knowledge. 本文提出了 AUTOPRIV，即首个自动化隐私保护方法，消除对任何手动配置的需求。AUTOPRIV 使用元学习自动化去标识过程，促进机器学习任务中数据的安全发布。主要目标是预测大量隐私配置的预测性能和隐私风险。我们提供最有前景解决方案的排序列表，这些解决方案可能在新领域中实现最佳近似。AUTOPRIV 非常有效，因为它大大降低了计算复杂度和能源消耗。